徐 星，宋小鵬，杜春暉

(1.中北大學(xué) 信息與通信工程學(xué)院，山西 太原 030051；2.中國煤炭科工集團(tuán)太原研究院有限公司，山西 太原 030006)

0 引 言

為了實(shí)現(xiàn)全自動、 大批量地抓取“企查貓”網(wǎng)站的信息，需要破解該網(wǎng)站的驗(yàn)證碼.該網(wǎng)站的驗(yàn)證碼圖像包含4位字符，由數(shù)字和大寫字母組成，共28個字符，為“0123456789ACDFHJKLN-PRSTUVXY”.

鑒于驗(yàn)證碼在互聯(lián)網(wǎng)中的廣泛應(yīng)用，國內(nèi)外對驗(yàn)證碼的識別進(jìn)行了相關(guān)研究，出現(xiàn)了很多破解驗(yàn)證碼的技術(shù).目前，驗(yàn)證碼識別主要有支持向量機(jī)(SVM)、 卷積神經(jīng)網(wǎng)絡(luò)(CNN)等方法.殷光等[1]將每張圖像進(jìn)行灰度化、 二值化后進(jìn)行區(qū)域分割，將4位字符切割成4個單個字符供SVM分類器進(jìn)行訓(xùn)練.該方法能夠識別大多數(shù)圖像不粘連的驗(yàn)證碼.張濤等[2]也提出在驗(yàn)證碼圖像字符容易分割的情況下，對其先經(jīng)過灰度化、 二值化、 去噪后，切割成單個字符，采用深度卷積神經(jīng)網(wǎng)絡(luò)的方法對單個字符進(jìn)行訓(xùn)練、 識別后再合并的方法.該方法基于卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力，并且使用了非線性激活函數(shù)，效果明顯優(yōu)于SVM的分類方法，但是也僅僅能夠處理容易分割的驗(yàn)證碼圖像.對于不易分割的驗(yàn)證碼，張濤等[2]將包含10個數(shù)字和26個字母的4位字符的標(biāo)簽使用1*144向量表示，每位字符占用1*36，采用深度學(xué)習(xí)端對端的單任務(wù)整體分類的方式進(jìn)行訓(xùn)練.該方式分類類別較多，擬合效果不好，準(zhǔn)確率只達(dá)到了85%.于鵬[3]、 溫明莉[4]和洪洋[5]等都提出用深度神經(jīng)網(wǎng)絡(luò)對整張驗(yàn)證碼圖片進(jìn)行多標(biāo)簽學(xué)習(xí)來完成多任務(wù)分類，端對端地識別出了驗(yàn)證碼中的所有字符.該方法對特定位數(shù)并且圖像噪聲較少的驗(yàn)證碼識別效果較好.張濤等[2]也提出使用CNN+RNN的方法進(jìn)行驗(yàn)證碼識別，但是由于其設(shè)計的CNN網(wǎng)絡(luò)層數(shù)較淺，得出該方法沒有優(yōu)于只使用CNN的效果.

本文主要受圖像描述(Image Caption)的啟發(fā)，圖像描述是指從圖片中自動生成一段描述性文字，機(jī)器不僅要能檢測出圖像中的物體，而且要理解物體之間的相互關(guān)系，最后用合理的語言表達(dá)出來.谷歌開源了圖像描述系統(tǒng)，提出使用Caption模型，使其能對圖像生成更詳細(xì)、 更準(zhǔn)確的描述，解決圖像標(biāo)注問題[6].對于驗(yàn)證碼圖像，同樣也可以采用此方法將圖像中的字符表達(dá)出來.本實(shí)驗(yàn)將采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)與循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)合的方式，構(gòu)造出復(fù)雜的CNN模型進(jìn)行特征提取用于RNN語句的生成.這對于擁有動態(tài)位數(shù)，不容易被分割成一個個單獨(dú)字符且圖片背景復(fù)雜的驗(yàn)證碼，具有良好的識別效果.

1 網(wǎng)絡(luò)模型設(shè)計

圖像描述就是由給定的圖像生成一段描述文字.驗(yàn)證碼圖像描述要做的就是將驗(yàn)證碼圖像中的字符表達(dá)出來.目標(biāo)是產(chǎn)生標(biāo)注驗(yàn)證碼字符的語句，是一個語句生成的任務(wù)，一對多的序列生成過程使用RNN進(jìn)行； 描述的對象擁有大量的圖像信息，利用CNN將更深層次的特征表達(dá)輸出到RNN的輸入端.將CNN與RNN結(jié)合的網(wǎng)絡(luò)模型設(shè)計能夠把時間、 空間的特性更加完整、 具體地表達(dá)出來.CNN適合用于空間擴(kuò)展，其在神經(jīng)元與特征卷積上的特性，使得它更專注于圖像的特征提取，并且能夠靜態(tài)地輸出圖像特征； RNN適合用于時間擴(kuò)展，由于它的特殊結(jié)構(gòu)能夠?qū)ι窠?jīng)元與時間上連續(xù)狀態(tài)的輸出進(jìn)行計算，因此它擅長處理序列化數(shù)據(jù)，并且具有記憶功能.

1.1 CNN

卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)架構(gòu)，是一種多層神經(jīng)網(wǎng)絡(luò)，通過一系列方法，它成功地將數(shù)據(jù)量龐大的圖像識別問題不斷降維，最終使其能夠被訓(xùn)練，并且得到了較高的準(zhǔn)確率[7，8].本實(shí)驗(yàn)中CNN的目的是以一定的模型對事物進(jìn)行特征提取，由于卷積和池化計算的性質(zhì)，使得圖像中的平移部分對于最后的特征向量是沒有影響的，提取到的特征更不容易過擬合.網(wǎng)絡(luò)的層數(shù)越多，意味著能夠提取到不同等級的特征越豐富.并且，對深層次的網(wǎng)絡(luò)結(jié)構(gòu)能夠提取到更抽象的特征，得到更多的語義信息.但是隨著網(wǎng)絡(luò)深度的增加，網(wǎng)絡(luò)準(zhǔn)確度出現(xiàn)飽和，甚至出現(xiàn)下降的問題，ResNet通過短路機(jī)制加入了殘差單元，并證明了加深的殘差網(wǎng)絡(luò)比簡單疊加層的深度網(wǎng)絡(luò)更容易優(yōu)化，準(zhǔn)確度得到了明顯提升[9].本實(shí)驗(yàn)根據(jù)ResNet網(wǎng)絡(luò)的特性，創(chuàng)新性地構(gòu)建出24層的卷積神經(jīng)網(wǎng)絡(luò)，結(jié)構(gòu)如表 1 所示，Conv1為卷積層，它使用64個7*7大小的卷積核； Conv2_x、 Conv3_x為多重殘差單元，其中Conv2_x為3重殘差單元，每重殘差單元由3個卷積層構(gòu)成，而Conv3_x為4重殘差單元，同樣地，每重殘差單元包含3個卷積層.對于Conv2_中的殘差單元，如圖 1 所示，該結(jié)構(gòu)將輸入端與輸出端短路連接，有助于解決神經(jīng)網(wǎng)絡(luò)訓(xùn)練出現(xiàn)梯度消失和梯度爆炸的問題.x為輸入值，F(xiàn)(x)為三層卷積后得到的值，F(xiàn)(x)+x表示網(wǎng)絡(luò)最終結(jié)果.若直接去擬合一個潛在的恒等映射函數(shù)H(x)=x比較困難.但是，如果把網(wǎng)絡(luò)設(shè)計為H(x)=F(x)+x，如圖 1 所示，可以轉(zhuǎn)換為學(xué)習(xí)一個殘差函數(shù)F(x)=H(x)-x.因此只要F(x)=0，就可以構(gòu)成一個H(x)=x的恒等映射，而且對于殘差的擬合會更加容易.

表 1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖 1 殘差單元示意圖Fig.1 Diagram of residual cells

1.2 RNN

在眾多自然語言處理的任務(wù)中，循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)已經(jīng)取得了巨大成功，用于語言建模[10]，文本生成[11]，機(jī)器翻譯[12]，語音識別[13]，生成圖片的文字描述[6].卷積神經(jīng)網(wǎng)絡(luò)(CNN)解決了圖像空間問題，但還存在圖像時間問題.RNN具有記憶功能，當(dāng)前的輸出由上一時刻的輸出和當(dāng)前的輸入共同決定，因此使其在處理序列的問題上得到了廣泛的應(yīng)用.長短期記憶網(wǎng)絡(luò)(LSTM)作為一種特殊的RNN模型，通過設(shè)計遺忘門避免了以往RNN出現(xiàn)當(dāng)前系統(tǒng)狀態(tài)受之前系統(tǒng)狀態(tài)影響的問題，使其得到了廣泛的應(yīng)用[14].LSTM是根據(jù)前面的信息推出后面的，但有時只看前面的信息是不夠的，可能需要由前面若干輸入和后面若干輸入共同決定，以使推測更加準(zhǔn)確.Bartz等[15]采用雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional Long-Short Term Memory, BLSTM)彌補(bǔ)了這一問題，并用于語言識別.因此，本實(shí)驗(yàn)采用BLSTM處理卷積神經(jīng)網(wǎng)絡(luò)輸出的特征，識別驗(yàn)證碼序列.雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，如圖 2 所示，輸入序列中的第一個是原樣的，第二個是輸入序列的反轉(zhuǎn)副本.這可以為網(wǎng)絡(luò)提供額外的上下文，使得網(wǎng)絡(luò)得到更快、 更好的擬合.

圖 2 BLSTMFig.2 Diagram of BLSTM

1.3 損失函數(shù)

采用CTC(Connectionist Temporal Classification) Loss作為序列有監(jiān)督學(xué)習(xí)的損失函數(shù)進(jìn)行模型訓(xùn)練時，不需要將數(shù)據(jù)對齊和一一標(biāo)注，只需要一個輸入序列和一個輸出序列即可以訓(xùn)練，并且直接輸出序列預(yù)測的概率，不需要外部的后處理[16].因?yàn)镃TC允許神經(jīng)網(wǎng)絡(luò)在任意一個時間段預(yù)測標(biāo)簽，但要求輸出的序列順序必須是正確的，這樣就不需要讓標(biāo)簽和圖像中的字符嚴(yán)格對齊了，而且CTC輸出的是整個序列標(biāo)簽，因此也不需要再做一些外部的后處理.CTC Loss在分類處理時需要多設(shè)置1個長度即空格，否則會無法預(yù)測出連續(xù)兩個相同的字母或者數(shù)字的驗(yàn)證碼序列了.

2 數(shù)據(jù)集制作及評估標(biāo)準(zhǔn)

2.1 數(shù)據(jù)集制作

本次識別驗(yàn)證碼是為了解決實(shí)際爬蟲遇到的問題，驗(yàn)證碼圖片來自“企查貓”網(wǎng)站，使用python語言編碼發(fā)送http請求到該網(wǎng)站驗(yàn)證碼圖像接口來獲取驗(yàn)證碼圖片.獲得的驗(yàn)證碼圖像如圖 3 所示，寬為80像素，高為160像素.收集到22 388張驗(yàn)證碼，將這些驗(yàn)證碼圖片按照0.75，0.15，0.10的比例分為訓(xùn)練集、 驗(yàn)證集和測試集三部分.訓(xùn)練集為16 791張，驗(yàn)證集為3 358張，測試集為2 239張.驗(yàn)證碼字符包含28個字符，為“0123456789ACDFHJKLNPRSTUVXY”.驗(yàn)證碼圖像標(biāo)簽的制作采用手工打標(biāo)簽，打完標(biāo)簽后進(jìn)行檢查排錯以確保標(biāo)簽的正確性，因?yàn)閷?shí)驗(yàn)采用的是監(jiān)督學(xué)習(xí)，沒有正確的標(biāo)簽則不會有較高的識別準(zhǔn)確率，這也會避免訓(xùn)練中出現(xiàn)過擬合的現(xiàn)象.

圖 3 驗(yàn)證碼2KN6Fig.3 Captcha 2KN6

2.2 評估標(biāo)準(zhǔn)

本實(shí)驗(yàn)采用準(zhǔn)確率評估驗(yàn)證碼的識別效果，用識別對的驗(yàn)證碼圖片數(shù)量去除參與識別的驗(yàn)證碼圖片數(shù)量.

3 實(shí)驗(yàn)過程

① 本實(shí)驗(yàn)采用Caffe[17]框架進(jìn)行訓(xùn)練，將數(shù)據(jù)集制作好后修改Caffe源碼使其支持多標(biāo)簽輸入和訓(xùn)練； ② 將圖像數(shù)據(jù)和標(biāo)簽轉(zhuǎn)換成LMDB格式的數(shù)據(jù)庫文件； ③ 設(shè)計CNN與RNN結(jié)合的網(wǎng)絡(luò)模型結(jié)構(gòu)，使之能夠適合處理驗(yàn)證碼標(biāo)注任務(wù)； ④ 訓(xùn)練和測試網(wǎng)絡(luò)； ⑤ 使用Flask搭建基于深度學(xué)習(xí)的驗(yàn)證碼圖像識別服務(wù)器； ⑥ 編寫代碼，發(fā)送post請求，返回識別結(jié)果； ⑦ 制作軟件圖形化界面，可視化識別，如圖 4 所示，當(dāng)點(diǎn)擊“識別”按鈕后會發(fā)送下載驗(yàn)證碼圖片的請求并調(diào)用識別程序，在界面會顯示這幅驗(yàn)證碼圖片和識別結(jié)果.

圖 4 驗(yàn)證碼識別圖形用戶界面Fig.4 Captcha recognition GUI

4 實(shí)驗(yàn)結(jié)果及分析

從圖 5 中可見，迭代初始階段驗(yàn)證碼識別的準(zhǔn)確率不高，隨著迭代次數(shù)的增加，識別準(zhǔn)確率突然上升； 在迭代7 000次后，模型的識別準(zhǔn)確率緩慢上升； 在10 000次迭代后，模型平均識別率基本達(dá)到穩(wěn)定，最終收斂在97%左右，并且并沒有出現(xiàn)過擬合.測試結(jié)果顯示，2 239張圖片有65張圖片被識別錯，識別正確率達(dá)到97.09%.由此可見，本文設(shè)計的基于深度學(xué)習(xí)的驗(yàn)證碼識別正確率高，效果很好.通過觀察實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，存在的部分誤判是因?yàn)轵?yàn)證碼字母的復(fù)雜變形導(dǎo)致字母與字母之間很容易產(chǎn)生混淆，如K、 H、 N等，人眼也很難分辨.對這一問題，可以通過反復(fù)排查打標(biāo)簽的正確性來避免人為因素，另外還可以增加更多的訓(xùn)練樣本和加深卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)來進(jìn)一步提高識別率.

圖 5 迭代次數(shù)與正確率的關(guān)系圖 Fig.5 The diagram of the relation between the number of iterations and the correct rate

5 結(jié)束語

本文針對“企查貓”網(wǎng)站的驗(yàn)證碼進(jìn)行分析，由于該類型的驗(yàn)證碼圖片中的字符之間存在粘連，不容易被分割成一個個單獨(dú)的字符.對此本文提出利用端到端的思想搭建深度學(xué)習(xí)模型，省去預(yù)處理和分割環(huán)節(jié)，然后進(jìn)行訓(xùn)練識別，取得了較好的結(jié)果.實(shí)驗(yàn)結(jié)果證明了采用CNN結(jié)合RNN的方式進(jìn)行訓(xùn)練，能夠達(dá)到較高的識別準(zhǔn)確率，沒有出現(xiàn)過擬合現(xiàn)象，并且能夠識別動態(tài)位數(shù)的驗(yàn)證碼.采用這種圖像描述的方處理驗(yàn)證碼識別問題，效果很好，可以將此技術(shù)應(yīng)用于車牌識別或身份證號碼識別上.但是對于如果不經(jīng)過訓(xùn)練的驗(yàn)證碼，直接使用這個訓(xùn)練好的模型可能達(dá)不到如此好的效果，需要采集大量地訓(xùn)練樣本并且對此打上正確的標(biāo)簽，重新進(jìn)行訓(xùn)練.